基于解剖分区与多级深层监督的胸片PICC导管识别方法与流程

本发明属于医学影像智能识别，具体涉及一种基于解剖分区与多级深层监督的胸片picc导管识别方法。

背景技术：

1、经外周静脉置入中心静脉导管（peripherally inserted central catheter，picc）已广泛应用于肿瘤化疗、长期静脉输液、危重症患者救治等临床场景，置管完成后需借助胸部x光胸片核查导管位置，以判断导管走行、末端位置是否符合临床标准，是放射科日常阅片的常规工作。

2、由于人工阅片工作量大、重复度高，业内逐步采用图像识别算法辅助完成picc导管识别。目前主流识别方案可归为两大技术路线，但各自存在显著的固有缺陷：第一类为基于yolo-seg等多任务模型的识别方法，该类方法通常将原始高分辨率胸片强制缩放至固定输入尺寸，以适配骨干网络预设的输入维度，这一操作将直接导致picc细导管的空间细节严重丢失，导管边缘模糊、局部对比度骤降，使得模型难以捕捉完整的连续线状特征；同时，仅采用简单的肋骨距离校验等通用图像处理规则做后处理，未结合picc标准解剖走行特征，易在肺野外带、膈下等解剖禁忌区域产生大量假阳性结果，导致临床误报率居较高。第二类为基于u-net的语义分割方法，该类方法直接使用标注工具生成单像素宽度的骨架线状标签训练模型，由于导管像素占比极低、背景像素占据绝对主导，有效特征过少，存在极端类别不平衡问题，模型难以收敛，分割结果易出现断裂、漏检问题；同时，此类方案网络结构相对简单（通常仅4-5层编码阶段），感受野有限，且使用batchnorm归一化与标准损失函数，无法有效应对高分辨率医学图像中细线特征的长距离依赖与困难样本（如导管与骨骼重叠段、导管折角处）挖掘需求。

3、此外，现有算法多由计算机技术人员设计，仅从图像处理角度优化模型结构与损失函数，未能充分结合放射科医师多年临床阅片经验与picc置管解剖规范，难以区分导管正常走行区域与伪影高发区域。部分方案尝试采用硬阈值裁剪图像区域（如强制仅检测心影上方、脊柱左侧区域）以减少假阳性结果，但这种刚性规则忽视了临床样本的多样性：当患者存在右位心、脊柱侧弯、纵隔移位或导管因肢体活动发生偏位时，此类硬性截断将直接误筛掉大量有效样本，导致模型在真实临床环境中的泛化能力不足，难以直接落地应用于临床工作流。

4、综上所述，当前picc导管智能识别技术存在细线特征易丢失、样本不平衡、假阳性偏高、与临床解剖规则脱节、易丢失有效样本等缺陷，致使识别精度与鲁棒性尚未达到临床高标准水平，亟需一种既能保持原始分辨率下导管微细结构，又能嵌入解剖先验规则、且具备动态困难样本适应能力的新型识别框架，以充分满足临床精准、高效、泛化的辅助诊断需求。

技术实现思路

1、鉴于上述，本发明的目的是提供一种基于解剖分区与多级深层监督的胸片picc导管识别方法，由放射科医师结合胸部解剖结构、picc临床置管标准及日常阅片经验设计核心规则，通过导管标签像素扩充处理及多尺度方向性管状结构增强处理并构建双通道输入，以完整保留胸片原始高分辨率及导管细节，并结合解剖分区加权采样策略、多方向条带感知注意力机制及多尺度深层监督，能够充分保留picc导管细线特征并强化模型对管状结构的感知能力，从而有效降低伪影高发区域的假阳性率，同时有效保留特殊体位、导管偏位等临床有效样本，提升picc导管识别的准确性、连续性与临床适配性。

2、为实现上述发明目的，本发明提供的技术方案如下：

3、第一方面，本发明实施例提供的一种基于解剖分区与多级深层监督的胸片picc导管识别方法，包括以下步骤：

4、获取高分辨率原始胸片，对原始胸片执行导管标签像素扩充处理生成标签掩码，并对原始胸片执行多尺度方向性管状结构增强处理得到增强图；

5、沿胸片纵向划分功能区域并设置差异化采样概率，根据不同功能区域的采样概率分别从原始胸片和增强图中裁剪空间位置对应的局部图像块；

6、将空间位置对应的局部图像块拼接为双通道输入，利用深层编码-解码网络中的编码器进行逐级下采样，并利用深层编码-解码网络中的解码器基于逐级下采样特征进行逐级上采样并在各分辨率层级输出分割预测，并在解码器中间层嵌入多方向条带感知注意力模块以增强多尺度管状特征，基于标签掩码对深层编码-解码网络监督训练后作为导管分割模型；

7、将待识别的胸片分块输入导管分割模型，拼接各分块预测得到全图掩码，提取分割主体并按其所在功能区域输出picc导管置信度分级结果。

8、优选地，所述对原始胸片执行导管标签像素扩充处理生成标签掩码，包括：

9、获取经标注工具生成的线状导管标签，对线状导管标签的每一像素点进行各向同性膨胀，以将单像素宽度的线状导管标签扩充为具有预设像素宽度的连续带状区域，并将连续带状区域作为标签掩码中的导管前景区域。

10、优选地，所述对原始胸片执行多尺度方向性管状结构增强处理得到增强图，包括：

11、对原始胸片逐像素计算hessian矩阵特征值，根据特征值的比值构建块状结构抑制因子，并根据特征值的平方和构建管状结构增强因子，基于块状结构抑制因子及管状结构增强因子联合计算多尺度的管状结构响应；

12、引入局部梯度方向场对相邻像素的管状结构响应进行方向连续性加权，使连续走向的管状结构响应被增强、断裂处的管状结构响应被抑制，取多个尺度下逐像素管状结构响应的最大值得到增强图。

13、优选地，所述沿胸片纵向划分功能区域并设置差异化采样概率，包括：

14、沿胸片纵向将图像划分为核心区、过渡区和外围区；

15、所述核心区为图像纵向高度的[25%，65%]区间，对应picc导管主要走行区域，采样概率设置为最高；

16、所述过渡区为图像纵向高度的[10%，25%)和(65%，80%]区间，对应picc导管入路延伸区域，采样概率设置为次高；

17、所述外围区为图像纵向高度的[0~10%)和(80%~100%]区间，对应导管极少出现的伪影高发区域，采样概率设置为最低。

18、优选地，所述深层编码-解码网络采用9层编码+8层解码结构，在解码器第3层至第6层的每个卷积块后嵌入多方向条带感知注意力模块。

19、优选地，所述多方向条带感知注意力模块接收解码器当前层特征图，通过水平、垂直及两个对角方向的条带池化分别提取对应方向的特征描述符，经共享多层感知机与激活函数生成各方向注意力权重，将各方向注意力权重经像素级归一化后与对应方向的特征描述符加权融合得到方向注意力图，将所述方向注意力图与所述解码器当前层特征图逐元素相乘后输出，实现方向选择性增强。

20、优选地，对深层编码-解码网络进行监督训练时，对解码器的各分辨率层级输出分别计算拓扑感知加权混合损失并按分辨率赋予差异化权重，分辨率越低权重越小，实现多尺度深层监督；

21、所述拓扑感知加权混合损失包含dice损失、几何引导topk交叉熵损失和中心线一致性损失；所述dice损失以全局分割重叠度为优化目标；所述几何引导topk交叉熵损失基于各体素到picc骨架的距离对交叉熵损失进行加权重排并选取权重得分最高的前k%体素计算损失；所述中心线一致性损失用于约束picc骨架上的预测概率趋近于1且预测前景不偏离骨架中心线。

22、第二方面，本发明实施例提供的一种基于解剖分区与多级深层监督的胸片picc导管识别系统，用于实现上述的基于解剖分区与多级深层监督的胸片picc导管识别方法，包括：

23、图像处理模块，用于获取高分辨率原始胸片，对原始胸片执行导管标签像素扩充处理生成标签掩码，并对原始胸片执行多尺度方向性管状结构增强处理得到增强图；

24、分区采样模块，用于沿胸片纵向划分功能区域并设置差异化采样概率，根据不同功能区域的采样概率分别从原始胸片和增强图中裁剪空间位置对应的局部图像块；

25、模型训练模块，用于将空间位置对应的局部图像块拼接为双通道输入，利用深层编码-解码网络中的编码器进行逐级下采样，并利用深层编码-解码网络中的解码器基于逐级下采样特征进行逐级上采样并在各分辨率层级输出分割预测，并在解码器中间层嵌入多方向条带感知注意力模块以增强多尺度管状特征，基于标签掩码对深层编码-解码网络监督训练后作为导管分割模型；

26、推理输出模块，用于将待识别的胸片分块输入导管分割模型，拼接各分块预测得到全图掩码，提取分割主体并按其所在功能区域输出picc导管置信度分级结果。

27、第三方面，本发明实施例提供的一种电子设备，包括存储器和一种或多种处理器，所述存储器用于存储计算机程序，所述处理器用于当执行计算机程序时，实现上述的基于解剖分区与多级深层监督的胸片picc导管识别方法。

28、第四方面，本发明实施例提供的一种计算机可读的存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被计算机执行时，实现上述的基于解剖分区与多级深层监督的胸片picc导管识别方法。

29、与现有技术相比，本发明具有的有益效果至少包括：

30、（1）保留原始分辨率并融合影像医学先验知识：本发明全程不压缩、不缩放原始高分辨率胸片，能够完整保留导管、肋骨、肺野等医学影像细节，并通过导管标签像素扩充处理构造有效分割区域，避免高分辨率图像下采样后导管特征消失，解决了传统线状标签模型难以收敛的问题；同时通过多尺度方向性管状结构增强处理显式编码管状结构形态学先验，将原始胸片与增强图拼接为双通道输入，大幅降低模型从纯灰度中学习管状特征的难度，显著改善导管与骨骼重叠区域的识别率。

31、（2）融合临床解剖规则的加权采样策略：本发明由放射科医师依据picc置管临床规范、胸部解剖结构及阅片经验制定核心分区规则，摒弃传统硬阈值剔除方式，采用差异化概率采样，能够重点学习标准导管走行区域、抑制外围伪影干扰，同时完整保留特殊体位、导管偏位等边缘临床样本，兼顾识别精度与模型泛化能力。

32、（3）多方向条带感知注意力与深层监督协同优化：本发明在解码器中间层引入多方向（水平、垂直及两个对角方向）条带池化与自适应方向融合机制，赋予模型对任意走向细长结构的定向聚焦能力，有效解决picc导管在x光胸片中呈任意斜向走行、单一方向条带注意力易漏检的问题，且计算量远低于同尺寸自注意力，不增加训练负担；同时结合9层编码-解码结构与多分辨率层级深层监督，扩大感受野以覆盖picc导管长距离空间走行，加速收敛并提升对picc导管长距离空间走行的整体感知能力。

33、（4）拓扑感知加权混合损失联合优化：本发明采用dice损失、几何引导topk交叉熵损失与中心线一致性损失三部分联合监督，分别从区域覆盖、困难样本挖掘与拓扑连通性三个维度互补优化，有效缓解极端类别不平衡问题，显著提升细小导管末端的识别精度与导管分割的整体连续性。